数学建模之层次分析法（AHP）

1 问题的提出

1.1.问题的提出

日常生活中有很多的决策问题。决策是指在面临多种方案时需要依据一定的标准选择某一种方案。日常生活中有许多决策的问题。比如：

买钢笔，一般要依据质量、颜色、实用性、价格、外形等方面的因素选择某一支钢笔。
假期旅游，是去风光秀丽的苏州，还是去迷人的北戴河，或者是去山水甲天下的桂林，那一般会依据景色、费用、食宿条件、旅途等因素来算着去哪个地方。
面临各种各样的方案，要进行比较、判断、评价、直至最后的决策。这个过程中都是一些主观的因素，这些因素可能由于个人情况的不同，有相应不同的比重，所以这样主观因素给数学方法的解决带来了很多的不便。
评价、决策类问题：

1.2.应用场景

1. 我们评价的 目标 是什么？
2. 为了达到这个目标有几种可选方案？
3. 评价得准则或者指标是什么？
   指标选择：根据背景材料、常识以及网上收集的资料进行结合筛选。

2.层次分析法步骤

我们以选择旅游地为例，来解释层次分析法的步骤
问题：小明同学想出去旅游。在查阅了网上的攻略后，他初步选择了苏杭、北戴河和桂林三地之一作为目标景点。
请你确定评价指标、形成评价体系来为小明同学选择最佳的方案。

指标确定：假如我们查询了资料后选择了以下五个指标：
①景点景色
②旅游花费
③居住环境
④饮食情况
⑤交通便利程度

2.1.建立系统递阶层次结构

2.2.对准则层和方案层构造判断矩阵

我们采取分而治之的思想，将两两指标进行比较，最终根据两两比较结果来推算出权重。

注：重要性可以理解为满意度
根据重要性我们可以的到两两指标之间的重要性比值
我们可以得到准则层的判断矩阵：

上述方阵有以下特点:

• $a_{ij}$表示$i$对指标$j$的重要程度。
• 当$i=j$两指标标度为1
• 正互反矩阵 ：$a_{ij}>0且a_{ij}\times a_{ji}=1$

准则层—方案层的判断矩阵的数值要结合实际来填写，如果题目中有其他数据，可以考虑利用这些数据进行计算。

不同地区同一指标的计算方法也与上类似：
我们可以得到不同方案对于同一指标的判断矩阵。

2.3.一致性检验

但是，对于上面得到的矩阵，可能会出现不一致现象，例如：

在上图中，苏杭>北戴河，北戴河>桂林，但是又苏杭=桂林，出现了不一致矛盾。
因此，我们需要判断一致性。
一致矩阵判定方法：

充要条件：正互反矩阵满足 $a_{ik}=a_{ij}\times a_{jk}$
一般判定条件：各行（各列）之间呈倍数关系。

当然，如果不是一致性矩阵，满足一致性检验条件时候，也是可以用的。
下面我们介绍一致性检验：

线代知识回顾：
引理：若A为n阶方阵，且$r(A)=1$则A有一个特征值为$tr(A)$，其余特征值为0.
结论：一致性矩阵有一个特征值为$n$，其余全为$0$.
特征值为$n$时，对应的特征向量刚好为$k[\frac{1}{a_{11}},\frac{1}{a_{12}},\dots ,\frac{1}{a_{1n}}{]}^T(k\ne )$
引理：$n$阶正互反矩阵$A$为一致矩阵时当且仅当${\lambda }_{max}=n$;且当非一致时，${\lambda }_{max}>n$,越不一致，相差越大。

一致性检验步骤：

1. 计算一致性指标：$$CI=\frac{{\lambda }_{max}-n}{n-1}$$
2. 查找对应得到平均随机一致性指标 RI
   
3. 计算一致性比例 CR
   $$CR=\frac{CI}{RI}$$
   若$CR<0.1$，则一致性可以接受，否则修正判断矩阵。

CR>1如何修正？
尽量调到各行成倍数关系

2.4.一致矩阵权重计算

1.绝对一致矩阵：（满足各行各列倍数关系）

权重为第一列的归一化处理：

2.满足一致性的矩阵（但不绝对一致）
我们有三种方法计算权重：
方法一：算数平均法
方法二：几何平均法
第一步：将A的元素按照行相乘得到一个新的列向量
第二步：将新的向量的每个分量开n次方
第三步：对该列向量进行归一化即可得到权重向量

方法三：特征值法
假如我们的判断矩阵一致性可以接受，那么我们可以仿照一致矩阵权重的求法。
第一步：求出矩阵A的最大特征值以及其对应的特征向量
第二步：对求出的特征向量进行归一化即可得到我们的权重

一般来说，我们用特征值法求出的权重来作为最后的结果，当然，我们强烈建议将三种方法的权值都计算出来，进行比较分析。避免单一方法偏差

2.5.根据权重矩阵计算得分，进行方案优劣排序

最后求出来的权重矩阵如下：

最后用指标权重和对应方案权重相乘在求和便得到该方案的得分，例如：苏杭得分

类似我们得到北戴河0.245分，桂林0.455分，因此我们选择最佳方案：桂林

3.层次分析法的推广

当有些指标在不同方案之间并不是公用的，那我们只需要将该方案相对于该指标的权值设为0，即可用层次分析法继续求解。

4.层次分析法的局限性

1.决策层不能太多，一般$n<15$
2.如果决策层指标得到数据已知，可以利用Topsis方法使评价更准确。

附录：层次分析法代码

%% 注意：在论文写作中，应该先对判断矩阵进行一致性检验，然后再计算权重，因为只有判断矩阵通过了一致性检验，其权重才是有意义的。
%% 在下面的代码中，我们先计算了权重，然后再进行了一致性检验，这是为了顺应计算过程，事实上在逻辑上是说不过去的。
%% 因此大家自己写论文中如果用到了层次分析法，一定要先对判断矩阵进行一致性检验。
%% 而且要说明的是，只有非一致矩阵的判断矩阵才需要进行一致性检验。
%% 如果你的判断矩阵本身就是一个一致矩阵，那么就没有必要进行一致性检验。


%% 输入判断矩阵
clear;clc
disp('请输入判断矩阵A： ')
% A = input('判断矩阵A=')
A =[1 1 4 1/3 3;
 1 1 4 1/3 3;
 1/4 1/4 1 1/3 1/2;
 3 3 3 1 3;
 1/3 1/3 2 1/3 1]
% matlab矩阵有两种写法，可以直接写到一行:
% [1 1 4 1/3 3;1 1 4 1/3 3;1/4 1/4 1 1/3 1/2;3 3 3 1 3;1/3 1/3 2 1/3 1]
% 也可以写成多行:
[1 1 4 1/3 3;
 1 1 4 1/3 3;
 1/4 1/4 1 1/3 1/2;
 3 3 3 1 3;
 1/3 1/3 2 1/3 1]
% 两行之间以分号结尾（最后一行的分号可加可不加），同行元素之间以空格（或者逗号）分开。

%% 方法1：算术平均法求权重
% 第一步：将判断矩阵按照列归一化（每一个元素除以其所在列的和）
Sum_A = sum(A)

[n,n] = size(A)  % 也可以写成n = size(A,1)
% 因为我们的判断矩阵A是一个方阵，所以这里的r和c相同，我们可以就用同一个字母n表示
SUM_A = repmat(Sum_A,n,1)   %repeat matrix的缩写
% 另外一种替代的方法如下：
    SUM_A = [];
    for i = 1:n   %循环哦，这一行后面不能加冒号（和Python不同），这里表示循环n次
        SUM_A = [SUM_A; Sum_A]
    end
clc;A
SUM_A
Stand_A = A ./ SUM_A
% 这里我们直接将两个矩阵对应的元素相除即可

% 第二步：将归一化的各列相加(按行求和)
sum(Stand_A,2)

% 第三步：将相加后得到的向量中每个元素除以n即可得到权重向量
disp('算术平均法求权重的结果为：');
disp(sum(Stand_A,2) / n)
% 首先对标准化后的矩阵按照行求和，得到一个列向量
% 然后再将这个列向量的每个元素同时除以n即可（注意这里也可以用./哦）

%% 方法2：几何平均法求权重
% 第一步：将A的元素按照行相乘得到一个新的列向量
clc;A
Prduct_A = prod(A,2)
% prod函数和sum函数类似，一个用于乘，一个用于加  dim = 2 维度是行

% 第二步：将新的向量的每个分量开n次方
Prduct_n_A = Prduct_A .^ (1/n)
% 这里对每个元素进行乘方操作，因此要加.号哦。  ^符号表示乘方哦  这里是开n次方，所以我们等价求1/n次方

% 第三步：对该列向量进行归一化即可得到权重向量
% 将这个列向量中的每一个元素除以这一个向量的和即可
disp('几何平均法求权重的结果为：');
disp(Prduct_n_A ./ sum(Prduct_n_A))

%% 方法3：特征值法求权重
% 第一步：求出矩阵A的最大特征值以及其对应的特征向量
clc
[V,D] = eig(A)    %V是特征向量, D是由特征值构成的对角矩阵（除了对角线元素外，其余位置元素全为0）
Max_eig = max(max(D)) %也可以写成max(D(:))哦~
% 那么怎么找到最大特征值所在的位置了？ 需要用到find函数，它可以用来返回向量或者矩阵中不为0的元素的位置索引。
% 那么问题来了，我们要得到最大特征值的位置，就需要将包含所有特征值的这个对角矩阵D中，不等于最大特征值的位置全变为0
% 这时候可以用到矩阵与常数的大小判断运算
D == Max_eig
[r,c] = find(D == Max_eig , 1)
% 找到D中第一个与最大特征值相等的元素的位置，记录它的行和列。

% 第二步：对求出的特征向量进行归一化即可得到我们的权重
V(:,c)
disp('特征值法求权重的结果为：');
disp( V(:,c) ./ sum(V(:,c)) )
% 我们先根据上面找到的最大特征值的列数c找到对应的特征向量，然后再进行标准化。

%% 计算一致性比例CR
clc
CI = (Max_eig - n) / (n-1);
RI=[0 0 0.52 0.89 1.12 1.26 1.36 1.41 1.46 1.49 1.52 1.54 1.56 1.58 1.59];  %注意哦，这里的RI最多支持 n = 15
CR=CI/RI(n);
disp('一致性指标CI=');disp(CI);
disp('一致性比例CR=');disp(CR);
if CR<0.10
    disp('因为CR < 0.10，所以该判断矩阵A的一致性可以接受!');
else
    disp('注意：CR >= 0.10，因此该判断矩阵A需要进行修改!');
end